[論文レビュー] Bayesian Overlapping Community Detection in Dynamic Networks

Mahsa Ghorbani, Hamid R. Rabiee+1 more|arXiv (Cornell University)|May 8, 2016

Complex Network Analysis Techniques参考文献 36被引用数 3

ひとこと要約

本稿では、コミュニティ数の事前知識が不要な動的ネットワークにおける重複コミュニティの検出を目的としたベイジアン非パラメトリック手法 DBOCD を提案する。リンクコミュニティと再帰的チャイニーズレストラン過程（RCRP）を用いて、ソフトなノード所属関係を推定し、時間的整合性を維持する。合成データおよび実世界のデータセットにおいて、モジュラリティと安定性の観点で最先端の手法を上回る性能を発揮する。

ABSTRACT

Detecting community structures in social networks has gained considerable attention in recent years. However, lack of prior knowledge about the number of communities, and their overlapping nature have made community detection a challenging problem. Moreover, many of the existing methods only consider static networks, while most of real world networks are dynamic and evolve over time. Hence, finding consistent overlapping communities in dynamic networks without any prior knowledge about the number of communities is still an interesting open research problem. In this paper, we present an overlapping community detection method for dynamic networks called Dynamic Bayesian Overlapping Community Detector (DBOCD). DBOCD assumes that in every snapshot of network, overlapping parts of communities are dense areas and utilizes link communities instead of common node communities. Using Recurrent Chinese Restaurant Process and community structure of the network in the last snapshot, DBOCD simultaneously extracts the number of communities and soft community memberships of nodes while maintaining the consistency of communities over time. We evaluated DBOCD on both synthetic and real dynamic data-sets to assess its ability to find overlapping communities in different types of network evolution. The results show that DBOCD outperforms the recent state of the art dynamic community detection methods.

研究の動機と目的

• コミュニティ数の事前知識がなくても、動的ネットワークにおける重複コミュニティを検出する課題に対処すること。
• ノード／エッジの追加や削除といった動的変化を扱いながら、ネットワークスナップショット間でコミュニティの時間的整合性を維持すること。
• ノードパーティショニングではなくリンクパーティショニングを用いることで、計算複雑性を低減すること。
• 同時にソフトな所属関係とコミュニティ数を推定できるスケーラブルで非パラメトリックなベイジアンモデルを構築すること。
• 合併、分裂、コミュニティの誕生／消滅を含む多様なネットワーク進化パターンにおける手法の評価を行うこと。

提案手法

• スケーラビリティの向上と重複所属の処理を目的として、ノードコミュニティではなくリンクコミュニティに基づく生成モデルを用いる。
• コミュニティの進化をモデル化し、コミュニティ数を動的に推定するために、再帰的チャイニーズレストラン過程（RCRP）を事前分布として採用する。
• 離散的なネットワークスナップショットからの隣接行列に対するベイジアン推論により、コミュニティ所属関係とコミュニティ数を推定する。
• 時間的整合性を確保するため、直前の時刻ステップでのコミュニティ構造を事前分布として活用する。
• 統計的推論手法を適用してソフトな所属関係を抽出し、コミュニティ数を動的に調整する。
• コミュニティ数を入力として必要としないため、非パラメトリックアプローチを用いる。

実験結果

リサーチクエスチョン

• RQ1 ベイジアン非パラメトリックモデルは、コミュニティ数の事前知識がなくても、動的ネットワークにおける重複コミュニティを検出可能か？
• RQ2 ネットワークの進化が生じる中で、本手法は時系列にわたるコミュニティの一貫性をどの程度維持できるか？
• RQ3 リンクベースのコミュニティ検出は、ノードベースのアプローチに比べ、重複コミュニティのスケーラビリティと正確性の観点で優れているか？
• RQ4 合併、分裂、コミュニティの誕生／消滅といった多様なネットワーク進化パターンにおいて、本手法の性能はいかがなものか？
• RQ5 真のラベルが不明な実世界の動的ネットワークにおいて、安定的かつ高いモジュラリティを達成できるか？

主な発見

• 合成データセットにおいて、AFFECT や FacetNet、DSBM といった最先端手法に比べ、DBOCD はモジュラリティと安定性の両面で優れた性能を示す。
• コミュニティの誕生・消滅および誕生・消滅プロセスにおいて、DBOCD はコミュニティ数の変化を正確に捉えている一方、AFFECT はこのような変化の勾配を追跡できていない。
• 分裂および合併プロセスにおいて、DBOCD は急激な変化に対しても安定した性能を示すが、急激な遷移のためわずかにコミュニティ数を低く推定している。
• NECブログデータセットにおいて、DBOCD は時間経過に伴い安定したモジュラリティを維持しているのに対し、他の手法は顕著な変動を示している。
• DBLP共同著者ネットワークデータセットにおいて、DBOCD は DSBM でさえ非重複型であるにもかかわらず、FacetNet や DSBM よりも高いモジュラリティを達成しており、重複型および非重複型ネットワークの両方に対して本手法の頑健性が裏付けられている。
• 本手法は、ネットワークサイズが増加する（DBLP）場合と減少する（NECブログ）場合の両方で一貫した性能を示しており、多様な実世界のダイナミクスに適応可能であることが確認された。